پیش بینی خشکسالی با نمایه های SPI و EDI به روش مدل سازی ANFIS بر مبنای خوشه بندی C-Mean و SC (مطالعه موردی: استان کهگیلویه و بویراحمد)

خشکسالی از جمله اصلی ترین و قدیمی ترین بلای طبیعی است که اثرات زیست محیطی مهمی را به دنبال دارد. استان کهگیلویه و بویر احمد علیرغم آنکه از لحاظ میزان بارش مقام سوم را در سطح کشور دارا میباشد، اما خشکسالی ها به طور متناوب این استان را تحت تاثیر قرار داده و خسارات بسیار سنگینی را به دنبال دارند. یافتن نمایه های اندازه گیری خشکسالی برای پیش بینی و ارزیابی مکانی و زمانی این پدیده به منظور مدیریت بحران آن ضروری و حیاتی به نظر می رسد. در این پژوهش با استفاده از مبانی شبکه های عصبی مصنوعی (ANN) و مدل عصبی فازی تطبیقی (ANFIS) به همراه آنالیز خوشه بندی فازی برای پیش بینی خشکسالی با نمایه بارش استاندارد (SPI) و نمایه خشکسالی موثر (EDI) استفاده گردیده است. نتایج به دست آمده از پژوهش بیانگر آن است که نمایه SPI با ضریب صحت سنجی 87/0 نسبت به نمایه EDI با ضریب صحت سنجی 73/0 قابلیت و دقت بیشتری در پیشبینی خشکسالی دارد و از طرف دیگر راهبرد شبکه عصبی- فازی تطبیقی بر مبنای روش خوشهبندی تکراری (C-Mean) و کاهشی (SC) در امر مدل سازی برای پیش بینی خشکسالی از کارایی بالایی برخوردار است. نتایج نشان میدهد که خوشه بندی باعث افزایش دقت مدل سازی در مرحله صحت سنجی و واسنجی شده است. همچنین خوشه بندی تکراری با ضریب واسنجی 93/0 و ضریب صحت سنجی 87/0 بهترین مدل می باشد.